RMSE（Root Mean Square Error，均方根误差）和 MAE（Mean Absolute Error，平均绝对误差）

RMSE（Root Mean Square Error，均方根误差）和 MAE（Mean Absolute Error，平均绝对误差）都是常用的回归模型评估指标，用于衡量预测值与真实值之间的误差大小。它们在评估和比较不同模型的预测能力时非常有用。

RMSE（均方根误差）

RMSE 是预测值与真实值之间误差的平方和的平均值的平方根。它的计算公式如下：

其中，n是样本数量，是真实值，是预测值。

• 作用：
  • RMSE 衡量了预测值与真实值之间的平均误差大小。
  • 在回归模型中，RMSE 越小表示模型的预测能力越好，即模型的预测值与真实值之间的差异越小。

MAE（平均绝对误差）

MAE 是预测值与真实值之间误差的绝对值的平均值。它的计算公式如下：

• 作用：
  • MAE 衡量了预测值与真实值之间的平均绝对误差大小。
  • 与 RMSE 不同，MAE 可以避免平方的影响，直接反映出预测值偏离真实值的平均程度。

比较与选择

• RMSE vs. MAE： 
  • RMSE 对异常值更为敏感，因为它对误差的平方求和放大了较大误差的影响，适合用于对误差更加敏感的情况。
  • MAE 对异常值的影响较小，因为它使用的是误差的绝对值，适合用于对异常值不那么敏感的情况。
  • 在实际应用中，选择使用 RMSE 还是 MAE 可根据具体问题的需求和误差分布情况来决定。通常来说，如果问题中的异常值对模型性能影响较大，倾向于使用 RMSE；如果异常值对模型影响较小，可以考虑使用 MAE。

示例

假设有以下预测结果和真实值：

• 真实值 y=[3,7,5,8,2]
• 预测值 = [2, 6, 4, 9, 3]

计算 RMSE 和 MAE：

在这个例子中，RMSE 和 MAE 都是 1，表示预测值与真实值的平均误差均为 1。